Nvidia hat Nemotron 3 Diarisation veröffentlicht, ein kostenloses KI‑Modell mit 100 Millionen Parametern, das dafür entwickelt wurde, in Echtzeit bis zu acht verschiedene Sprecher in einem Gespräch zu erkennen. Das Open‑Weights‑Modell kann überlappende Sprache erfassen und sowohl Live‑Audio‑Streams als auch vorab aufgezeichnete Audiodateien verarbeiten. In Kombination mit einem Spracherkennungssystem wie Parakeet kann die Technologie vollständige Transkripte mit anonymisierten Sprecherkennzeichnungen erzeugen.
Der Audiopuffer des Systems kann auf vier verschiedene Stufen eingestellt werden, die von 30,4 Sekunden bis auf 0,32 Sekunden reichen, wobei kürzere Puffer die Genauigkeit verringern. In der Diarization‑Bench‑Bewertung von VoiceArena erreichte das Nemotron 3‑Diarisationsmodell den ersten Platz mit einer Fehlerrate von 14,72 Prozent und übertraf damit das bisher zweitbeste System mit 19,3 Prozent. Diese neue Veröffentlichung reduziert die Fehlerrate im Vergleich zu Nvidias Vorgängermodell Streaming Sortformer im Schnitt um 41 Prozent, gemessen an acht anspruchsvollen Testszenarien mit einem 1,04‑Sekunden‑Puffer.
Warum das wichtig ist: Diese Open‑Weights‑Veröffentlichung verbessert die Genauigkeit der Echtzeit‑Sprecheridentifikation erheblich und bietet Entwicklern ein leistungsstarkes Werkzeug zum Aufbau fortschrittlicher Transkriptionssysteme.